Nuplex 1.0 và Emma: Một persona video phản hồi theo nhịp điệu của con người

Câu nói khiến người ta bớt cảnh giác nhất trong bài đăng ra mắt của Nuance Labs là câu mà công ty phủ nhận chính thước đo chuẩn của mình. Sau khi trình bày một biểu đồ trong đó mô hình mới của họ khớp với thời gian phản hồi của con người trong 89% trường hợp, so với 35% của hệ thống gần nhất, bài đăng thừa nhận rằng "các benchmark trong không gian AV full-duplex vẫn chưa phản ánh chính xác trải nghiệm người dùng." Đó không phải là một lời rào đón gắn thêm vào cuối một trang tiếp thị. Đó là cách diễn đạt trung thực về việc Nuplex 1.0 thực sự là gì: bản phát hành công khai đầu tiên từ một phòng thí nghiệm ở Seattle đã dành 18 tháng xây dựng một mô hình nghe nhìn có thể nhìn, nghe, suy luận và nói trong cùng một khoảnh khắc, được tung ra vào ngày 9 tháng 11 năm 2026 dưới dạng một nhân vật tiêu dùng duy nhất tên là Emma. Phần tiếp theo sẽ tách bạch những gì nhà cung cấp đã đo, những gì họ nói rằng các phép đo của chính họ không thể cho bạn biết, và những gì một nhà phát triển có thể tiếp cận ngay hôm nay.

Hình hài của nó, gói gọn trong một đoạn. Nuplex 1.0 là một mô hình nền tảng nghe nhìn song công toàn phần — “Nuplex” là cách công ty rút gọn Nuance Full-duplex, một hệ thống vừa nghe vừa nói đồng thời thay vì nói luân phiên. Emma là persona đầu tiên được xây dựng trên nền tảng này: một nhân vật video mà bạn trò chuyện cùng trong trình duyệt bằng micrô và camera tùy chọn, có khuôn mặt và giọng nói được cấp phép từ một nữ diễn viên thật, và được thiết kế để gật đầu, mỉm cười, nhìn đi chỗ khác và xen vào khi bạn vẫn đang nói. Trải nghiệm dành cho người tiêu dùng không cần tài khoản. API Nuplex Beta, cách để bất kỳ ai ngoài một khách ghé thăm tò mò có thể tiếp cận mô hình, nằm sau một bước đăng ký tại trang nền tảng của công ty.

Những gì đã được phát hành và những gì vẫn còn đóng

Sản phẩm chính là một bài đăng nghiên cứu, "Meet Emma, the First Nuplex Persona," đề ngày 9 tháng 11 năm 2026 và có mục BibTeX có thể trích dẫn — một bản công bố của nhà nghiên cứu, không phải bài keynote ra mắt sản phẩm. Bài đăng liên kết hai lối vào: emma.nuancelabs.ai cho chính persona, và platform.nuancelabs.ai cho API beta với "một vài persona khác nhau." Ngoài nhân vật mặc định, bản giới thiệu API cho phép bạn viết prompt persona, theo dõi cuộc trò chuyện khi nó diễn ra, và để persona giao các tác vụ dài hơn cho công cụ của riêng bạn chạy nền trong khi nó tiếp tục trò chuyện với người dùng.

Ngay tối hôm đó, một nhà nghiên cứu sáng lập đã đăng persona lên Hacker News với tiêu đề "Emma, một persona video AI thời gian thực từ Nuance Labs" và trả lời các câu hỏi trong luồng thảo luận. Có ba chi tiết ở đó đáng chú ý vì chúng không có trên trang tiếp thị: rằng API beta là lộ trình dành cho nhà phát triển như dự kiến, rằng nhóm định hình công việc này như việc đặt cược vào tính tự nhiên thay vì các benchmark hiện có, và rằng những người gọi ban đầu được cảnh báo Emma "có thể kết thúc cuộc gọi sớm" — một hành vi an toàn chứ không phải lỗi, điều mà bài đăng nghiên cứu sau đó giải thích chi tiết.

Điều không mở chính là phần lớn bề mặt thương mại. Subdomain của nền tảng nằm sau một lớp đăng ký có xác thực, và không thể truy cập bất kỳ bảng giá công khai, bảng biểu phí hay thẻ mô hình nào có ghi số lượng tham số. Vậy nên phát biểu trung thực về chi phí là thế này: trò chuyện với Emma không cần tài khoản và không cần thanh toán, còn các điều khoản của API beta được thu xếp khi đăng ký. Bất kỳ ai hôm nay đưa ra mức giá theo token cho Nuplex 1.0 đều là đang bịa ra.

Tuyên bố 89%, được hiểu theo cách mà nhà cung cấp hiểu nó

Độ trễ phản hồi là con số mà mọi hệ thống song công toàn phần bị đánh giá dựa vào, và Nuance Labs lập luận rằng tự nó quyết định được rất ít, bởi vì độ trễ là một quyết định sản phẩm chứ không phải một điểm số. Cách họ đặt vấn đề chia lĩnh vực làm hai. Các mô hình mở như PersonaPlex và Moshi được tinh chỉnh để trả lời càng nhanh càng tốt và đạt điểm tối đa trên các benchmark hiện có. Các hệ thống sản phẩm như GPT-Live và Gemini Live mất nhiều thời gian hơn, "nhiều khả năng là vì chúng thà không ngắt lời bạn." Nuplex 1.0 được đặt có chủ đích ở giữa hai nhóm.

Vì vậy, công ty đã đo một thứ khác: không phải hệ thống trả lời nhanh đến đâu, mà là liệu nó có trả lời đúng lúc một người sẽ trả lời hay không. Trên 1.785 câu hỏi được rút ra từ chính các bản ghi âm cuộc trò chuyện thực của mình, thời điểm trả lời của Nuplex trùng với thời điểm của người nói gốc trong 89% trường hợp. Hệ thống gần nhất tiếp theo đạt 35%. Mọi phần của câu đó đều do nhà cung cấp tự báo cáo và không ai bên ngoài công ty tái lập được, và hai trong số các con số so sánh mang một lưu ý mà chính nhà cung cấp tự nêu: GPT-Live và Gemini Live được truy cập qua API công khai của họ, nên thời gian của họ bao gồm cả thời gian mạng mà Nuplex không có.

Cứ tạm chấp nhận tuyên bố đó đúng như giá trị của nó, thì đó vẫn là một thứ cụ thể, có thể kiểm chứng để công bố — một bộ câu hỏi được đặt tên, một chỉ số được đặt tên, một phương pháp so sánh được nêu rõ. Câu hỏi thú vị hơn là tại sao một phòng thí nghiệm lại mở đầu bằng một con số rồi tự làm yếu nó đi trong đoạn tiếp theo. Bởi vì chỉ số đo đúng thứ sản phẩm thực sự bán. Một cuộc trò chuyện trực tiếp không phải là cuộc trò chuyện nhanh; đó là cuộc trò chuyện mà tín hiệu thời điểm của bên kia thể hiện sự chú ý. Các tín hiệu thị giác của Emma — gật đầu khi bạn nói, ánh mắt chuyển dịch để nhận lượt nói — là một phần của cách tạo ra thời điểm đó, và đó là khác biệt cụ thể giữa sản phẩm này với một mô hình giọng nói sang giọng nói có avatar được render chồng lên.

Một gương mặt của một nữ diễn viên, và một tính cách được huấn luyện để luôn phản đối

Phần ít giống màn ra mắt nhất của bài đăng là phần nói về lý do vì sao khuôn mặt do AI tạo ra trông sai. Công ty lưu ý, dẫn nguồn Le Mau và cộng sự 2021, rằng nếu yêu cầu các diễn viên chuyên nghiệp thể hiện cùng một cảm xúc, bạn sẽ nhận được sự biến thiên rất lớn; ngược lại, khuôn mặt do AI tạo ra tạo nên một biểu cảm nguyên mẫu dễ gán nhãn hơn và mãnh liệt hơn so với một bức ảnh chụp tạo dáng thật, dẫn nguồn Kramer và cộng sự 2026. Lấy trung bình nhiều người, bạn sẽ nhận được một thứ bị làm nhạt đi. Tối ưu hóa cho một nhãn, bạn sẽ nhận được một hình hoạt họa.

Câu trả lời của Nuance Labs là ngừng việc lấy trung bình. Khuôn mặt và giọng nói của Emma đến từ một nữ diễn viên đã cộng tác trong quá trình ghi hình, và những cử chỉ điệu bộ của cô được mô phỏng theo một nhân vật cụ thể thay vì sự khái quát hóa từ dữ liệu huấn luyện — cái chớp mắt kéo dài để nhấn mạnh, ánh mắt nheo lại, đôi mắt lang thang rồi quay về, cú nhảy nhỏ khi cô không thể kìm nén phản ứng. Bài đăng đặt cô bên cạnh những biểu cảm kiểu emoji nguyên mẫu để thể hiện luận điểm bằng hình ảnh, và đó là kiểu khác biệt mà bạn nhận ra trong hai giây và sau đó không thể không nhận thấy.

Công việc về tính cách mới là tuyên bố đáng ngạc nhiên hơn. Emma được thiết kế để tò mò, nhanh trí, có quan điểm riêng và phản đối bạn, đồng thời công khai là một AI. Bài đăng nói thẳng vì sao điều đó khó: dữ liệu sở thích thưởng cho những câu trả lời đồng ý với người hỏi, nên hầu hết trợ lý lặp lại điều bạn nói, khen ngợi nó, rút ra một bài học gọn gàng rồi kết thúc bằng một câu hỏi. Trích dẫn là Sharma et al. 2024 về xu nịnh, và ràng buộc thiết kế kéo theo là chỉ có một Emma — một gương mặt, một giọng nói, một tính khí — không phải một nhân vật mà bạn có thể prompt lại để khiến cô ấy đồng tình.

Những việc bản beta sẽ từ chối thực hiện

Nuance Labs mở đầu phần an toàn bằng cách trích dẫn những người thử nghiệm đầu tiên của mình, những người đã nói hai điều "thường trong cùng một hơi thở: nó thật tuyệt vời, và nó hơi đáng lo ngại." Những hạn chế theo sau đặc biệt cụ thể đối với một lần ra mắt, và chúng là lý do khiến một số sản phẩm hiển nhiên không thể được xây dựng trên Nuplex 1.0 trong tháng này.

• Việc tiết lộ mang tính cấu trúc — Emma không bao giờ tự nhận là người, các prompt của nhà phát triển cố gắng khiến một persona khẳng định điều đó đều bị từ chối, và video được cung cấp qua API có gắn hình mờ rõ ràng.

• Không nhân bản — bản beta không thể nhân bản người thật, bạn không thể tải lên khuôn mặt hoặc giọng nói, và khuôn mặt tùy chỉnh được tạo cho một tổ chức chỉ có thể được chính tổ chức đó sử dụng.

Không có nội dung khiêu dâm và không có bạn gái hay bạn trai AI.

• Chăm sóc sức khỏe và mọi nội dung liên quan đến người dưới 18 tuổi, bao gồm cả giáo dục, hoàn toàn nằm ngoài bản beta; những yêu cầu đó sẽ được chuyển đến một địa chỉ dành cho doanh nghiệp thay vào đó.

• Mọi lời nhắc của nhà phát triển đều được sàng lọc trước khi cuộc trò chuyện bắt đầu. Trong cuộc gọi, các kiểm tra tự động sẽ kết thúc cuộc gọi khi có ý định rõ ràng hướng tới bạo lực nghiêm trọng, lời lăng mạ hoặc ngôn từ thù địch, nội dung tình dục, hoặc vũ khí và cảnh máu me trên camera — và cả khi chính nhân vật yêu cầu mã truy cập, thông tin thẻ, tiền hoặc quyền truy cập từ xa vào thiết bị.

Người có vẻ đang trong tình trạng khủng hoảng sẽ được hướng đến các nguồn hỗ trợ, chẳng hạn như Suicide & Crisis Lifeline, thay vì bị cúp máy. Các vi phạm lặp lại sẽ tạm dừng các cuộc trò chuyện mới. Toàn bộ sản phẩm dành cho người từ 18 tuổi trở lên.

Bài đăng bổ sung câu mà hầu hết nhà cung cấp đều lược bỏ: những kiểm tra này sẽ bỏ sót một số thứ, và đôi khi chúng sẽ kết thúc những cuộc gọi vốn vẫn ổn. Đó là điều đúng đắn cần nói với mọi người, và đó cũng là mô tả chính xác về vị thế hiện tại của sản phẩm — một bản beta được rào chắn cẩn thận chứ không phải một nền tảng.

Những gì Emma chưa thể làm được

Danh sách hạn chế đủ dài để hữu ích. Lý luận của Emma đến từ một mô hình ngôn ngữ, nên cô ấy mắc những lỗi đầy tự tin và vẫn có thể đếm nhầm các chữ cái trong "strawberry." Việc luân phiên lượt nói thất bại ở đúng nơi khó nhất: cô ấy có thể chen vào giữa lúc người khác đang nghĩ, chờ quá lâu một nhịp, hoặc bỏ lỡ tín hiệu mà một người sẽ bắt được, và những quãng dừng dài giữa câu là trường hợp tệ nhất. Hiện tại cô ấy chỉ hỗ trợ tiếng Anh. Tiếng nói phía sau, tivi, loa ngoài hoặc micrô yếu đều làm giảm độ chính xác về thời điểm của cô ấy. Khả năng hiểu hình ảnh trực tuyến còn ở giai đoạn đầu — khi bật camera, cô ấy có thể thảo luận về những gì mình thấy nhưng sẽ bỏ sót chi tiết và hiểu sai cảnh. Đồng bộ khẩu hình, ánh mắt và chuyển động đầu đôi khi bị lệch, đặc biệt khi kết nối kém, và biểu cảm của cô ấy có thể trôi trở về trung tính giữa cuộc trò chuyện. Cô ấy không thể hát. Công ty nói vậy kèm một mặt cười, và đó là tín hiệu công bằng về mức độ nghiêm túc nên dành cho phần còn lại của danh sách.

Ai đứng sau Nuplex 1.0

Nuance Labs là một công ty nhỏ và rõ ràng lấy nghiên cứu làm ưu tiên, có trụ sở tại Seattle, Washington. Ba nhà sáng lập được nêu tên là Fangchang Ma (đồng sáng lập và CEO, Tiến sĩ robot học và học máy tại MIT, trước đây là quản lý kỹ thuật tại Apple), Edward Zhang (đồng sáng lập và CTO, Tiến sĩ đồ họa máy tính tại University of Washington, trước đây là nhà khoa học nghiên cứu cấp cao tại Apple) và Karren Yang (đồng sáng lập và nhà khoa học chính, Tiến sĩ tổng hợp âm thanh-thị giác tại MIT, cũng từng làm việc tại Apple). Cách chính công ty mô tả về mô hình là một hệ thống duy nhất "nhìn, nghe, suy luận, nói và biểu đạt trong cùng một khoảnh khắc", được xây dựng bằng cách dự đoán token âm thanh và thị giác tiếp theo thay vì từ tiếp theo — cùng loại máy tự hồi quy đã học ngôn ngữ, hướng vào hành vi con người.

Trang chủ của sản phẩm cũng nêu rõ mục tiêu thiết kế: “500ms là mức sàn cứng cho độ trễ hội thoại”, cùng với bốn trụ cột — khả năng biểu đạt và tính tự nhiên, tương tác theo thời gian thực, cá tính lôi cuốn và lắng nghe chủ động thông qua thán từ, gật đầu và phản hồi tiếp nhận. Không trụ cột nào trong bốn trụ cột đó là một chuẩn đánh giá, và con số 500ms là mức sàn được nêu ra chứ không phải kết quả đo được, nên hãy hiểu đó là ràng buộc mà nhóm thiết kế hướng tới chứ không phải tuyên bố về hiệu năng của Nuplex 1.0.

Nơi bạn thực sự có thể sử dụng nó

Tính khả dụng mang tính địa lý và hẹp hơn “toàn cầu”. Emma và API Nuplex Beta được cung cấp tại Hoa Kỳ, trừ Colorado, Connecticut, Illinois và Texas; tại EU; tại Vương quốc Anh; và tại Canada, trừ Quebec. Nói chuyện với Emma không cần tài khoản — trình duyệt, micrô và tùy chọn camera là toàn bộ thiết lập.

Đối với các nhà phát triển, sự thật kiến trúc thú vị là Nuplex nằm phía trước một mô hình ngôn ngữ thay vì thay thế nó. Nuance Labs nói rằng Nuplex hoạt động với bất kỳ mô hình ngôn ngữ nào nhưng bản beta phục vụ một mô hình của chính họ, vì vậy lớp suy luận bên dưới Emma không phải là thứ mà một bên thứ ba cung cấp hiện nay. Điều bản beta thực sự phơi bày là điểm nối: persona có thể giao các tác vụ dài hơn cho công cụ của bạn trong khi vẫn tiếp tục trò chuyện, và các công cụ đó có thể gọi bất kỳ mô hình hay dịch vụ nào bạn muốn.

Đường nối đó chính là nơi bộ định tuyến khẳng định được vị trí của mình, và đáng để nói chính xác về những gì chúng tôi làm và không làm. OrcaRouter không cung cấp Nuplex 1.0 — mô hình này không có trong danh mục của chúng tôi, và cách duy nhất để truy cập là qua nền tảng beta của chính Nuance Labs. Thứ chúng tôi cung cấp là phía bên kia của lời gọi: 215 mô hình đằng sau một khóa tương thích OpenAI theo giá niêm yết của nhà cung cấp, được chuyển thẳng với 0% phụ phí, nhờ đó mô hình mà công cụ của một persona dùng đến có thể được hoán đổi bằng cách thay một chuỗi thay vì ký hợp đồng thứ hai. Tự động chuyển đổi dự phòng bao quát trường hợp quan trọng nhất trong một cuộc hội thoại trực tiếp, khi nhà cung cấp bị đình trệ giữa chừng cuộc gọi còn tệ hơn một câu trả lời yếu hơn một chút, và DSL định tuyến cho phép bạn tổ hợp nhiều mô hình sau một điểm cuối duy nhất khi một tác vụ nền muốn một mô hình soạn thảo và mô hình khác kiểm tra.

Xem gì tiếp theo

Ba điều sẽ đưa sản phẩm này từ một bản demo ấn tượng thành một nền tảng. Thứ nhất là đo lường độc lập: chưa có bên ngoài nào chạy bài kiểm tra thời gian gồm 1.785 câu hỏi, và lĩnh vực AV full-duplex không có đấu trường chung, đó chính xác là lý do nhà cung cấp có thể công bố bộ câu hỏi của riêng mình mà không bị phản bác. Thứ hai là danh sách ngôn ngữ — chỉ tiếng Anh là giới hạn lớn nhất của bản beta, và một Nuplex đa ngôn ngữ sẽ thay đổi ai có thể xây dựng trên nền tảng này. Thứ ba là mô hình ngôn ngữ bên dưới: thời điểm Nuplex được cung cấp với tính năng bring-your-own LM, câu hỏi định tuyến không còn là về công cụ mà trở thành về chính cuộc hội thoại. Cho đến lúc đó, tóm tắt công bằng là Nuance Labs đã tung ra lập luận thuyết phục nhất cho đến nay rằng hội thoại là một hành vi thị giác — và đã rào nó đủ cẩn thận để không ai có thể lặng lẽ xây dựng sai thứ với nó.